[pt] Realizar uma estimativa confiável na produção de petróleo é um dos grandes
desafios na indústria de óleo e gás e é uma parte crítica no planejamento e na tomada
de decisão das petrolíferas. Neste contexto, este trabalho visa explorar as vantagens
e desempenho dos algoritmos de machine learning para realizar a previsão de
produção de petróleo, gás e água a partir das informações de controle de poços
inteligentes e usando a metodologia de data driven. Para tanto, foram usadas duas
bases de dados com séries históricas de produção de petróleo, gás e água. A primeira
base foi gerada sinteticamente (através de simulação de reservatórios) e consiste na
produção média mensal e configuração de 3 válvulas de um poço injetor, ao longo
de um período de 10 anos. A segunda base usa dados reais de produção
(observados) fornecidos pelo estado da Dakota do Sul nos Estados Unidos. Esta
base consiste na média diária de produção e o estado geral (ativo ou não
produzindo) de diversos poços produtores de petróleo no período compreendido de
1950 a 2018. Com o intuito de testar a metodologia, foram realizados diversos
experimentos combinando o treinamento da proxy com algoritmos de Redes
Neurais Artificiais (Multilayer Perceptron) e deep learning com redes neurais
recorrentes (redes neurais recorrentes simples, long short-term memory, Gated
Recurrent Units), chamados de smart proxy e deep smart proxy respectivamente.
Os resultados encontrados mostraram que o modelo deep smart proxy se mostrou
bastante promissor. Utilizando uma rede Gated Recurrent Units com camadas
bidirecionais (GRUB), foi possível obter uma redução no erro RMSE de 66 por cento e no
erro MAE de 79 por cento quando comparados aos modelos smart proxy com Redes
Neurais Artificiais. Verificou-se que nos modelos deep smart proxy, o uso de
camadas bidirecionais gerou uma significativa melhora na previsão e redução do
erro, tanto nos testes que utilizaram dados de produção simulados (caso sintético)
quanto nos testes que utilizaram dados de produção observados (caso real),
proporcionando uma variação de até 75 por cento no RMSE e 85 por cento no MAE. O erro RMSE
normalizado na rede GRUB foi de 0,53 por cento nos dados observados e 0,65 por cento nos dados
sintéticos. Os modelos de deep smart proxy obtiveram desempenhos muito
semelhantes, principalmente ao comparar o desempenho das redes do tipo LSTMB
e GRUB. Estas redes foram aplicadas em ambos os casos sintético e real de
produção e superaram, em todos os casos, os resultados obtidos com o modelo de
smart proxy com MLP. / [en] A reliable forecast for oil production represents one of the biggest
challenges in the oil and gas industry and contributes to the planning and decision
making of oil companies. Because of that, this work uses intelligent well valves
settings and data driven methodology to explore the advantages and the
performance of machine learning algorithms in the forecasting of oil, gas and water
production. In order to do so, two database containing historical data series of oil,
gas and water production were used. The first was generated synthetically (through
reservoir simulation) and consisted of the average monthly production of an
injection well over a period of 10 years, as well as the configuration of 3 of its
valves. The second database used the production data provided by the state of South
Dakota, located in the United States, and consisted of the daily production average
and the overall well status (active or not producing) from several oil producing
wells in a period ranging from 1950 to 2018. In order to test the methodology,
several experiments were performed combining proxy with Artificial Neural
Network Algorithms (Multilayer Perceptron) and deep learning recurrent neural
networks (Simple Recurrent Neural Networks, long short-term memory, Gated
Recurrent Units), which were named smart proxy and deep smart proxy,
respectively. The results showed that the deep smart proxy model was very
promising. Using the Gated Recurrent Units network with bi-directional layers
(GRUB), a reduction of 66 percent in the RMSE error and 79 percent in the MAE error was
obtained when compared to smart proxy models with Artificial Neural Networks.
The deep smart proxy models with bidirectional layers generated a significant
improvement in prediction and error reduction in both databases tests ( i.e. tests
with simulated production data (synthetic case) and with the observed production
data (real case), resulting in a variation of up to 75 percent in RMSE and 85 percent in MAE).
The normalized RMSE error in the GRUB network was of 0.53 percent in the observed
database and 0.65 percent in the synthetic database. It is important to notice that the Deep
smart proxy models achieved very similar performances when comparing the
LSTMB and GRUB network in both databases (synthetic and real production),
surpassing in all cases the results obtained with the MLP smart proxy model.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:47237 |
| Date | 24 March 2020 |
| Creators | TAISA DORNELAS ABBAS CALVETTE |
| Contributors | MARCO AURELIO CAVALCANTI PACHECO, MARCO AURELIO CAVALCANTI PACHECO |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | Portuguese |
| Detected Language | English |
| Type | TEXTO |
Page generated in 0.0027 seconds